最近蘋果在發(fā)布會(huì)上公開了新的A14 SoC。根據(jù)發(fā)布會(huì)，該SoC將用于新的iPad上，而根據(jù)行業(yè)人士的推測(cè)該SoC也將會(huì)用在新的iPhone系列中。除了常規(guī)的CPU和GPU升級(jí)之外，A14最引人注目的就是Neural Engine的算力提升。我們認(rèn)為，蘋果A系列SoC在近幾年內(nèi)Neural Engine的算力增長(zhǎng)可以作為一種新的AI算力范式，成為新的摩爾定律。

A14上的新Neural Engine

蘋果公布的A14 SoC使用5nm工藝，而新的Neural Engine則使用16核心設(shè)計(jì)，其峰值算力可達(dá)11 TOPS，遠(yuǎn)超上一代的Neural Engine（6TOPS）。在發(fā)布會(huì)上，蘋果明確表示該Neural Engine主要支持加速矩陣相乘。此外，蘋果還表示新的Neural Engine結(jié)合CPU上的機(jī)器學(xué)習(xí)加速，可以將實(shí)際的AI應(yīng)用體驗(yàn)相對(duì)于前代提升十倍。

新的Neural Engine的峰值算力大大提升可以說是有些意料之外，但是又是情理之中。意料之外是因?yàn)锳14的其它關(guān)鍵指標(biāo)，例如CPU和GPU等相對(duì)于前一代A13的提升并不多（發(fā)布會(huì)上給出的30%提升對(duì)比的是再前一代的A12 SoC，如果直接和上一代A13相比則CPU性能提升是16%而GPU則是10%左右），但是Neural Engine的性能提升則接近100%。而Neural Engine性能提升大大超過SoC其他部分是情理之中則是因?yàn)槲覀冋J(rèn)為如果仔細(xì)分析SoC性能提升背后的推動(dòng)力，則可以得出Neural Engine性能大幅提升是非常合理的。一方面，從應(yīng)用需求側(cè)來說，對(duì)應(yīng)CPU和GPU的相關(guān)應(yīng)用，例如游戲、網(wǎng)頁瀏覽、視頻等在未來可預(yù)見的幾年內(nèi)都沒有快速的需求增長(zhǎng)，唯有人工智能有這樣的需求。另一方面，CPU和GPU的性能在給定架構(gòu)下的性能提升也較困難，很大一部分提升必須靠半導(dǎo)體工藝，而事實(shí)上半導(dǎo)體工藝的升級(jí)在未來幾年內(nèi)可預(yù)期將會(huì)越來越慢，每代工藝升級(jí)更注重于晶體管密度以及功耗，在晶體管性能方面的提升將越來越小。而AI加速器則還有相當(dāng)大的設(shè)計(jì)提升空間，相信在未來幾年仍將會(huì)有算力快速增長(zhǎng)。

Neural Engine算力增長(zhǎng)趨勢(shì)

我們不妨回顧一下過去幾代A系列SoC中Neural Engine的算力增長(zhǎng)。

最早加入Neural Engine的SoC是2017年發(fā)布的A11。該SoC使用10nm工藝，搭載第一代Neural Engine峰值算力為0.6TOPS，Neural Engine的芯片面積為1.83mm2。當(dāng)時(shí)Neural Engine主要針對(duì)的應(yīng)用是iPhone新推出的人臉識(shí)別鎖屏FaceID以及人臉關(guān)鍵點(diǎn)追蹤Animoji，且Neural Engine的算力并不對(duì)第三方應(yīng)用開放。

第二代Neural Engine則是在2018年的A12 SoC上。該SoC使用7nm工藝，Neural Engine面積為5.8mm2，而其峰值算力則達(dá)到了5TOPS，相比前一代的Neural Engine翻了近10倍。而根據(jù)7nm和10nm工藝的晶體管密度折算則可以估計(jì)出Neural Engine的晶體管數(shù)量大約也是增加了6-7倍，基本和算力提升接近。

第三代Neural Engine是2019年的A13，使用第二代N7工藝，其面積相比上一代減少到了4.64mm2，而算力則增加到了6TOPS。我們認(rèn)為這一代的Neural Engine是上一代的小幅改良版本，并沒有做大幅升級(jí)。

最近公布的A14則搭載了最新一代的Neural Engine，使用5nm工藝，Neural Engine的具體面積尚沒有具體數(shù)字，但是其算力則是達(dá)到了11TOPS，是上一代的接近兩倍。

從上面的分析可以看出Neural Engine每次主要升級(jí)都伴隨著算力的大幅上升，第一次上升了近十倍，而第二次則上升了近兩倍。如果按照目前兩年一次主要升級(jí)的節(jié)奏，我們認(rèn)為在未來數(shù)年內(nèi)Neural Engine乃至于廣義的AI芯片市場(chǎng)都會(huì)有每?jī)赡晷阅芴嵘齼杀兜囊?guī)律，類似半導(dǎo)體的摩爾定律。我們認(rèn)為，這樣的規(guī)律可以認(rèn)為是AI芯片算力的新摩爾定律。

為什么AI芯片算力增長(zhǎng)會(huì)成為新的摩爾定律

AI芯片算力指數(shù)上升的主要驅(qū)動(dòng)力還是主流應(yīng)用對(duì)于AI的越來越倚重，以及AI神經(jīng)網(wǎng)絡(luò)模型對(duì)于算力需求的快速提升。

應(yīng)用側(cè)對(duì)于AI的需求正在越來越強(qiáng)。就拿智能設(shè)備為例，2017年蘋果A11中AI的主要應(yīng)用還是面部關(guān)鍵點(diǎn)識(shí)別和追蹤，而到了2018年開始越來越多的應(yīng)用開始使用AI，包括圖像增強(qiáng)、拍攝虛化效果等，在下一代智能設(shè)備中AI則更加普及，首先從人機(jī)交互來看，下一代智能設(shè)備中常見的人機(jī)交互方式手勢(shì)追蹤、眼動(dòng)追蹤、語音輸入等都需要AI，這就大大增加了AI算法的運(yùn)行頻率以及算力需求。此外，下一代智能設(shè)備中有可能會(huì)用到的一系列新應(yīng)用都倚重AI，包括游戲、增強(qiáng)現(xiàn)實(shí)等應(yīng)用中，都需要運(yùn)行大量的AI模型例如SLAM，關(guān)鍵點(diǎn)識(shí)別、物體檢測(cè)和追蹤、姿勢(shì)識(shí)別和追蹤等等。

另一方面，AI對(duì)于算力的需求也在快速提升。根據(jù)HOT CHIPS 2020上的特邀演講，AI模型每年對(duì)于算力需求的提升在10倍左右，因此可以說AI模型對(duì)于硬件加速的需求非常強(qiáng)。

如果我們從另一個(gè)角度考慮，這其實(shí)就意味著AI加速芯片的算力提升在賦能新的場(chǎng)景和應(yīng)用——因?yàn)榭偸怯行碌男阅芨叩腁I模型需要更強(qiáng)的硬件去支持，而一旦支持了這樣的新模型則又能賦能新的應(yīng)用。從目前主流的計(jì)算機(jī)視覺相關(guān)的AI，到以BERT為代表的大規(guī)模自然語言處理算法，以及未來可能出現(xiàn)的將BERT和計(jì)算機(jī)視覺相結(jié)合的視覺高階語義理解等等，我們?cè)谖磥韼啄陜?nèi)尚未看到AI模型進(jìn)步的停止以及可能的新應(yīng)用場(chǎng)景的出現(xiàn)，相反目前的瓶頸是AI加速硬件性能跟不上。這也就意味著，AI加速硬件才是AI模型落地的最終賦能者，這就像當(dāng)年摩爾定律大躍進(jìn)的PC時(shí)代，當(dāng)時(shí)每一次CPU處理器的進(jìn)步都意味著PC上能運(yùn)行更多的應(yīng)用，因此我們看到了CPU性能在當(dāng)時(shí)的突飛猛進(jìn)；今天這一幕又重現(xiàn)了，只是今天的主角換成了AI加速芯片。

AI算力增長(zhǎng)來自何方？

分析完了AI加速芯片的需求側(cè)，我們不妨再來看看供給側(cè)——即目前的技術(shù)還能支持AI芯片多少算力提升。

首先，AI加速器芯片和傳統(tǒng)CPU的一個(gè)核心差異在于，CPU要處理的通用程序中往往很大一部分難以并行化，因此即使增加CPU的核心數(shù)量，其性能的增加與核心數(shù)也并非線性關(guān)系；而AI模型的計(jì)算通常較為規(guī)整，且很容易就可以做并行化處理，因此其算力提升往往與計(jì)算單元數(shù)量呈接近線性的關(guān)系。這在我們之前對(duì)比A11和A12 Neural Engine的晶體管數(shù)量和算力提升之間的關(guān)系也有類似的結(jié)論。目前，以Neural Engine為代表的AI加速器占芯片總面積約為5%，未來如果AI加速器的面積能和GPU有類似的面積（20%左右），則AI加速器的計(jì)算單元數(shù)量也即算力至少還有4倍的提升空間。此外，如果考慮兩年兩倍的節(jié)奏并考慮未來幾年內(nèi)可能會(huì)落地的3nm工藝，則我們認(rèn)為AI加速器算力兩年兩倍的提升速度從這方面至少還有5-6年的空間可挖。

除了單純?cè)黾佑?jì)算單元數(shù)目之外，另一個(gè)AI加速器算力重要的提升空間來自于算法和芯片的協(xié)同設(shè)計(jì)。從算法層面，目前主流的移動(dòng)端模型使用的是8-bit計(jì)算精度，而在學(xué)術(shù)界已經(jīng)有許多對(duì)于4-bit甚至1-bit計(jì)算的研究都取得了大幅降低計(jì)算量和參數(shù)量的同時(shí)幾乎不降低模型精度。另外，模型的稀疏化處理也是一個(gè)重要的方向，目前許多模型經(jīng)過稀疏化處理可以降低50-70%的等效計(jì)算量而不降低精度。因此如果考慮模型和芯片和協(xié)同設(shè)計(jì)并在加速器中加入相關(guān)的支持（如低精度計(jì)算和稀疏化計(jì)算），我們預(yù)計(jì)還能在計(jì)算單元之外額外帶來至少10倍等效算力提升。

最后，當(dāng)峰值算力的潛力已經(jīng)被充分挖掘之后，還有一個(gè)潛力方向是針對(duì)不同AI模型的專用化設(shè)計(jì)，也即異構(gòu)設(shè)計(jì)。AI模型中，常用于機(jī)器視覺的卷積神經(jīng)網(wǎng)絡(luò)和常用于機(jī)器翻譯/語音識(shí)別的循環(huán)卷積網(wǎng)絡(luò)無論是在計(jì)算方法還是內(nèi)存訪問等方面都大相徑庭，因此如果能做專用化設(shè)計(jì)，則有可能在峰值算力不變的情況下，實(shí)際的計(jì)算速度仍然取得數(shù)倍的提升。

結(jié)合上面討論的一些方向，我們認(rèn)為AI加速芯片的算力在未來至少還有數(shù)十倍甚至上百倍的提升空間，再結(jié)合之前討論的應(yīng)用側(cè)對(duì)于算力的強(qiáng)烈需求，我們認(rèn)為在未來數(shù)年內(nèi)都會(huì)看到AI加速芯片的算力一兩年翻倍地指數(shù)上升。在這一領(lǐng)域，事實(shí)上中國的半導(dǎo)體行業(yè)有很大的機(jī)會(huì)。如前所述，AI芯片性能提升主要來自于設(shè)計(jì)的提升而非工藝提升，而中國無論是在半導(dǎo)體電路設(shè)計(jì)領(lǐng)域還是AI模型領(lǐng)域都并不落后，因此有機(jī)會(huì)能抓住這個(gè)機(jī)會(huì)。
編輯;hfy